检索增强生成（RAG）：如何让AI大模型更懂我？

大模型的局限性体现在缺少实时性、无法获取私有知识等方面，而RAG可以帮助解决私有知识问题，让私有知识库和AI大模型更好地融合。怎么理解RAG的原理、应用场景和优缺点？一起来看看本文的分享。

上文简单介绍了AI大模型非常重要的提示工程，今天我们继续学习检索增强生成（Retrieval-Augmented Generation，RAG）。

RAG可以将私有知识库和AI大模型融合，让大模型“知道”我们的私有知识，变得越来越“懂”我们。

一、AI大模型的局限性

使用过大模型的小伙伴应该知道，虽然大模型看起来无所不能，但是它也经常胡编乱造，没有足够的确定性，这也限制了大模型在各种场景的落地。

大模型的局限性，可以简单归纳为以下两点：

• 没有实时性：AI大模型的知识不是实时的，最新的GPT-4 Turbo也只是把知识库更新到2023年4月，所以无从得知该时间之后发生的事情。
• 无法获取私有知识：大模型的训练数据主要来源于互联网，不可能拿到个人或企业的私有数据，所以无法回答私有问题。

针对实时性问题，一般通过Actions或Function Calling（函数调用，可以理解为接口回调）等方式，让大模型实时调用搜索、地图、甚至企业自己实现的api，获取各种需要的实时信息，减少幻觉，提升确定性。

而RAG可以解决私有知识问题，它通过外挂知识库的方式，让大模型可以根据检索到的内容，回答私有库的相关问题，也就是所谓的检索增强，目的同样是提升确定性。

二、基本概念

RAG的核心目的是通过某种途径把我们的知识告诉给AI大模型，其核心流程就是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”，看起来也就更“懂”我们。

那么具体要如何实现呢？再看一下核心流程，会发现有一个必须解决的问题，就是如何“根据用户提问，从私有知识中检索到包含答案的内容”，用户的提问是自然语言（包含复杂的语义理解），传统的关键字检索（Elastic Search）是无法理解语义的，这时候就需要引入向量检索的概念了。

• 向量：文本的语义关系在底层被处理为向量，向量就是一组浮点数，例如[0.72, 0.42, …]，代表该文本在N维空间里的坐标。在空间中距离越近的向量，语义也就越接近。一般使用欧式距离或余弦距离来衡量向量的相似度。
• 向量检索：向量检索实际上是将文本分段转换成了一个个向量，通过余弦距离或欧式距离来计算两个向量之间的相似度，向量相似度越高，表示对应的文本语义相似度越高。
• 向量数据库：专门为向量检索设计的中间件。

我们可以通过向量检索来获得与用户问题语义最相近的私有知识库的内容，即便用户问题中没有包含关键字，也可以通过语义的相关性搜索到“包含答案的内容”。

实现RAG的具体步骤如下：

1. 加载私有知识库文档，并将文本切分为一个个小片段，需要注意切分的粒度，然后将切分后的文本转换成向量，存入向量数据库。
2. 将用户的提问内容也转换成向量，在向量数据库中检索相似的文本内容，检索结果就是“包含答案的内容”。
3. 将用户的提问内容和检索到的“包含答案的内容”组装成新的提示词，发给AI大模型。
4. AI大模型参考“包含答案的内容”（私有化的知识资料），回答用户的问题。

这样我们就可以收获一位更“懂我”的大模型了。

三、应用场景

RAG可以有效扩展大模型的知识库，以下是一些具体的例子：

• 问答系统：RAG可以用于构建问答系统，用户提出问题，RAG模型从大规模的文档集合中检索相关的文档，然后生成回答。
• 对话系统：在对话系统中，RAG可以用于生成更丰富、更具信息量的回答。
• 文档生成：RAG可以用于生成包含特定信息的文档，例如新闻报道、研究报告等。

四、优缺点

RAG的优点：

• 生成的回答更丰富：由于在生成回答时会考虑检索到的文档，因此生成的回答通常更丰富、更具信息量。
• 能处理开放领域的问题：传统的生成模型通常只能处理特定领域的问题，而RAG模型可以处理开放领域的问题，因为它可以从大规模的文档集合中检索信息。

RAG的缺点：

• 计算成本高：RAG模型需要在大规模的文档集合中进行检索，这会增加计算成本。
• 依赖文档质量：RAG模型的性能在很大程度上依赖于文档的质量，如果文档质量差或切分粒度不合适，可能会影响模型的性能。
• 可能产生不准确的回答：虽然RAG模型可以生成丰富的回答，但是如果检索到的文档包含错误的信息，可能会导致生成的回答不准确。

五、总结

本文我们主要介绍了RAG的基本原理，RAG可以有效扩展大模型的知识库，有效提升回答的确定性，让AI大模型变得更加“懂”我们。

下篇文章，我会介绍如何让AI大模型连接外部世界，让大模型和我们的业务连接的更加紧密，甚至看起来“无所不能”，敬请期待。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓